PGMem: 지속적인 개인화 에이전트를 위한 긴밀하게 연결된 페르소나-메모리 그래프

PGMem: Tightly Coupled Persona-Memory Graph for Lifelong Personalized Agents

장기적인 개인화 대화형 에이전트는 사용자의 선호도를 추적해야 하며, 이때 사용자의 개성은 시간이 지남에 따라 변화합니다. 기존의 메모리 시스템은 과거 이벤트를 잘 관리하지만, 페르소나를 이벤트와 분리된 단순한 프로필로 저장합니다. 이러한 느슨한 연결은 메모리-페르소나 간의 일관성 부족과 페르소나 정보를 활용한 검색 성능 저하 문제를 야기합니다. 본 연구에서는 PGMem을 제안하며, 이는 이벤트 노드와 페르소나 노드를 유형화된 출처 및 증거 관계를 통해 연결하는 이종 페르소나-메모리 그래프입니다. PGMem은 각 페르소나 정보를 뒷받침하거나 수정하는 이벤트에 대한 추적성을 유지합니다. 검색 시에는 PGMem이 쿼리와 관련된 초기 데이터를 기반으로 확장하며, 증거의 타당성을 기준으로 정보를 순위화합니다. 세 가지 벤치마크에서 소규모 언어 모델을 사용한 실험 결과, PGMem은 요약 기반, 페르소나 인식, 그래프 구조 기반 및 에이전트 메모리 방식의 기존 방법들보다 일관되게 우수한 성능을 보였으며, 문맥 크기가 증가함에 따라 성능 향상이 두드러집니다. PGMem의 소스 코드는 https://github.com/wonjunchoi23/pgmem/ 에서 확인할 수 있습니다.

Long-term personalized dialogue agents must track user preferences as their personas evolve. Existing memory systems organize past events well, but store personas as flat profiles detached from the events that justify them. This loose coupling leads to the memory-persona validity gap and the persona-aware retrieval gap. We propose PGMem, a heterogeneous persona-memory graph that connects event and persona nodes through typed provenance and evidence edges, keeping each persona signal traceable to the events that support or revise it. At retrieval time, PGMem expands from query-relevant seeds and ranks signals by evidential validity. Across three benchmarks with small language model backbones, PGMem consistently outperforms summary-based, persona-aware, graph-structured, and agentic memory baselines, and improves performance as the context grows. The source code of PGMem is available at https://github.com/wonjunchoi23/pgmem/